Deep convolutional neural network (DCNN) para extração automática de rede viária a partir da fusão de dados varredura laser aerotransportado e imagens de altíssima resolução em ambiente urbano

• Processo: 21/03586-2
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de agosto de 2021
• Data de Término da vigência: 31 de janeiro de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Aluir Porfírio Dal Poz
• Beneficiário: Aluir Porfírio Dal Poz
• Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
• Município da Instituição Sede: Presidente Prudente
• Assunto(s): Agricultura de precisão Sensoriamento remoto Fotogrametria Volume de dados Redes neurais convolucionais Aprendizado computacional Segmentação semântica Extração automática de rodovias
• Palavra(s)-Chave do Pesquisador: Agricultura de precisão | extração automática | fusão dados | Redes Convolucionais | Segmentação Semântica | Fotogrametria/Sensoriamento Remoto

Resumo

O Brasil é um país de grande extensão territorial e possui milhões de quilômetros de rodovias irregularmente distribuídas. A obtenção de informações sobre as rodovias é vital para o planejamento de gestores e para a economia (p.ex: logística). Desde a década de 70, vários métodos foram criados para extração automática de rodovias. Todos possuem vantagens e desvantagens, no entanto, a baixa flexibilidade de trabalhar com big data e a necessária intervenção do usuário no processo ainda afetam a precisão e o tempo de extração. Após o ano 2000, novas abordagens de aprendizado de máquina têm sido aplicadas em diversas áreas do conhecimento, sendo uma delas o Sensoriamento Remoto. Essas ferramentas permitem extrair informações de um grande volume de dados a partir de diversas fontes. Desde o ano de 2014, as Redes Profundas Neurais Convolucionais (DCNN) têm obtido resultados interessantes nas áreas de Sensoriamento Remoto, principalmente devido à alta precisão alcançada, extração automática de características e flexibilidade de uso. Entre as fontes de dados está a nuvem de pontos LASER Detection and Ranging (LiDAR) que pode fornecer informações complementares à faixa espectral do visível. A pesquisa visa fornecer uma metodologia de extração automática de rodovias (segmentação semântica) em ambiente urbano que utiliza a fusão de dados LiDAR - Ortoimagens por meio de rede convolucional de arquitetura U-Net. A metodologia foi dividida em duas etapas para analisar a contribuição das fontes de dados na extração das rodovias, principalmente nos casos de oclusão e obstrução. Por fim, a pesquisa relacionada com a utilização de aprendizado profundo de máquina como ferramenta para extração de informações em Sensoriamento Remoto que, atualmente, é o estado da arte. Assim, a metodologia propõe a extração e atualização da rede viária de forma ágil e com controle de qualidade. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FILHO ANTONIO; SHIMABUKURO, MILTON; POZ, ALUIR DAL. Deep Learning Multimodal Fusion for Road Network Extraction: Context and Contour Improvement. IEEE Geoscience and Remote Sensing Letters, v. 20, p. 5-pg., 2023-01-01. (21/03586-2)

COLLEGIO, GUSTAVO ROTA; DAL POZ, ALUIR PORFIRIO; GUIMARAES FILHO, ANTONIO GAUDENCIO; HABIB, AYMAN. Convolutional Neural Networks for Road Detection: An Unsupervised Domain Adaptation Approach. 39TH INTERNATIONAL SYMPOSIUM ON REMOTE SENSING OF ENVIRONMENT ISRSE-39 FROM HUMAN NEEDS TO SDGS, VOL. 48-M-1, v. N/A, p. 7-pg., 2024-01-01. (21/03586-2)

DAL POZI, A. P.; MARTINS, E. F. O.; ZANIN, R. B.; ZIATANOVA, S; SITHOLE, G; BARTON, J. ROAD NETWORK EXTRACTION USING GPS TRAJECTORIES BASED ON MORPHOLOGICAL AND SKELETONIZATION ALGORITHMS. XXIV ISPRS CONGRESS: IMAGING TODAY, FORESEEING TOMORROW, COMMISSION III, v. 43-B4, p. 7-pg., 2022-01-01. (21/03586-2)